Fraud Detection with Python and TensorFlow Träningskurs

Detta är en 4-dagars kurs som introducerar AI och dess tillämpning. Det finns möjlighet att få en extra dag för att genomföra ett AI-projekt efter avslutad kurs. 

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till datavetare och mjukvaruingenjörer som vill använda Dask med Python ekosystemet för att bygga, skala och analysera stora datamängder.

I slutet av denna utbildning kommer deltagarna att kunna:

• Ställ in miljön för att börja bygga stordatabehandling med Dask och Python.
• Utforska funktionerna, biblioteken, verktygen och API:er som är tillgängliga i Dask.
• Förstå hur Dask accelererar parallell beräkning i Python.
• Lär dig hur du skalar Python-ekosystemet (Numpy, SciPy och Pandas) med Dask.
• Optimera Dask-miljön för att bibehålla hög prestanda vid hantering av stora datamängder.

• Inställa en utvecklingsmiljö som inkluderar Python, Pandas och NumPy.
• Skapa en dataanalysapplikation med hjälp av Pandas och NumPy.
• Utföra avancerad datahantering, sortering och filtrering.
• Utföra aggregatoperationer och analysera tidsserie data.
• Visualisera data med Matplotlib och andra visualiseringsbibliotek.
• Felhantera och optimera sin dataanalyskod.

I denna instruktörsledda, liveutbildning i Sverige kommer deltagarna att lära sig att använda Python bibliotek för NLP när de skapar en applikation som bearbetar en uppsättning bilder och genererar bildtexter.

I slutet av denna utbildning kommer deltagarna att kunna:

• Designa och koda DL för NLP med hjälp av Python bibliotek.
• Skapa Python kod som läser en mycket stor samling bilder och genererar nyckelord.
• Skapa Python Kod som genererar bildtexter från de upptäckta sökorden.

Publik

Denna kurs är lämplig för Deep Learning forskare och ingenjörer som är intresserade av att använda tillgängliga verktyg (mestadels öppen källkod) för att analysera datorbilder

Kursen ger fungerande exempel.

Denna instruktörsledda, liveutbildning i (online eller på plats) riktar sig till utvecklare som vill använda FARM-stacken (FastAPI, React och MongoDB) för att bygga dynamiska, högpresterande och skalbara webbapplikationer.

I slutet av denna utbildning kommer deltagarna att kunna:

Konfigurera den nödvändiga utvecklingsmiljön som integrerar FastAPI, React och MongoDB. Förstå nyckelkoncepten, funktionerna och fördelarna med FARM-stacken. Lär dig hur du bygger REST API:er med FastAPI. Lär dig hur du designar interaktiva applikationer med React. Utveckla, testa och distribuera applikationer (front-end och back-end) med FARM-stacken.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till utvecklare som vill använda FastAPI med Python för att bygga, testa och distribuera RESTful API:er enklare och snabbare.

I slutet av denna utbildning kommer deltagarna att kunna:

• Konfigurera den nödvändiga utvecklingsmiljön för att utveckla API:er med Python och FastAPI.
• Skapa API:er snabbare och enklare med hjälp av FastAPI-biblioteket.
• Lär dig hur du skapar datamodeller och scheman baserat på Pydantic och OpenAPI.
• Anslut API:er till en databas med hjälp av SQLAlchemy.
• Implementera säkerhet och autentisering i API:er med hjälp av FastAPI-verktygen.
• Bygg containerbilder och distribuera webb-API:er till en molnserver.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till datavetare och utvecklare som vill använda Modin för att bygga och implementera parallella beräkningar med Pandas för snabbare dataanalys.

I slutet av denna utbildning kommer deltagarna att kunna:

• Konfigurera den miljö som krävs för att börja utveckla Pandas arbetsflöden i stor skala med Modin.
• Förstå funktionerna, arkitekturen och fördelarna med Modin.
• Känn till skillnaderna mellan Modin, Dask och Ray.
• Utför Pandas operationer snabbare med Modin.
• Implementera hela Pandas API:et och funktionerna.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till utvecklare och datavetare som vill använda Tensorflow 2.x för att bygga prediktorer, klassificerare, generativa modeller, neurala nätverk och så vidare.

I slutet av denna utbildning kommer deltagarna att kunna:

• Installera och konfigurera TensorFlow 2.x.
• Förstå fördelarna med TensorFlow 2.x jämfört med tidigare versioner.
• Bygg modeller för djupinlärning.
• Implementera en avancerad bildklassificerare.
• Implementera en modell för djupinlärning till molnet, mobila och IoT-enheter.

I denna instruktörsledda, liveutbildning i Sverige (online eller på plats) kommer deltagarna att lära sig hur man konfigurerar och använder TensorFlow Serving för att distribuera och hantera ML-modeller i en produktionsmiljö.

I slutet av denna utbildning kommer deltagarna att kunna:

• Träna, exportera och leverera olika Serving-modeller.
• Testa och distribuera algoritmer med en enda arkitektur och uppsättning API:er.
• Utöka Serving för att leverera andra typer av modeller utöver Serving-modeller.

TensorFlow är ett 2: a generationens API för Go ogles öppna källkodsbibliotek för Deep Learning . Systemet är utformat för att underlätta forskning inom maskininlärning och för att göra det snabbt och enkelt att övergå från forskningsprototyp till produktionssystem.

Publik

Kursen är avsedd för ingenjörer som vill använda TensorFlow för sina Deep Learning projekt

Efter avslutad kurs kommer delegaterna att:

• förstå TensorFlow struktur och distributionsmekanismer
• kunna utföra installations / produktionsmiljö / arkitekturuppgifter och konfiguration
• kunna bedöma kodkvalitet, utföra felsökning, övervakning
• kunna implementera avancerad produktion som träningsmodeller, bygga grafer och logga

Denna kurs undersöker, med specifika exempel, tillämpningen av Tensor Flow för syftena med bildigenkänning

Publik

Kursen är avsedd för ingenjörer som vill använda TensorFlow för TensorFlow

Efter avslutad kurs kommer deltagarna att kunna:

• förstå TensorFlow struktur och distributionsmekanismer
• utföra installations- / produktionsmiljö / arkitekturuppgifter och konfiguration
• utvärdera kodkvalitet, utföra felsökning, övervakning
• implementera avancerad produktion som träningsmodeller, bygga grafer och logga

I denna instruktörsledda, liveutbildning i Sverige kommer deltagarna att lära sig hur man drar fördel av innovationerna i TPU-processorer för att maximera prestandan för sina egna AI-applikationer.

I slutet av utbildningen kommer deltagarna att kunna:

• Träna olika typer av neurala nätverk på stora mängder data.
• Använd TPU:er för att påskynda slutledningsprocessen med upp till två storleksordningar.
• Använd TPU:er för att bearbeta intensiva applikationer som bildsökning, molnvision och foton.

TensorFlow™ är en öppen källkod programbibliotek för numerisk beräkning med hjälp av dataflödesgrafik.

SyntaxNet är ett neural-nätverk Natural Language Processing ram för TensorFlow.

Word2Vec används för att lära vektorrepresentationer av ord, kallas "word embeddings". Word2vec är en särskilt beräknings-effektiv prediktiv modell för att lära word embeddings från råtext. Det kommer i två smaker, den Kontinuösa Bag-of-Words modell (CBOW) och Skip-Gram modell (Kapitel 3.1 och 3.2 i Mikolov et al.)

Används i tandem, SyntaxNet och Word2Vec tillåter användare att generera Lärda Embedding modeller från Natural Language input.

Publiken

Kursen riktar sig till utvecklare och ingenjörer som avser att arbeta med SyntaxNet och Word2Vec-modeller i sina TensorFlow diagram.

Efter avslutad kurs kommer delegaterna att:

• förstå TensorFlow’s struktur och implementeringsmekanismer
• kunna utföra installation / produktionsmiljö / arkitektoniska uppgifter och konfiguration
• kunna bedöma kodkvalitet, utföra debugging, övervakning
• kunna genomföra avancerad produktion som utbildningsmodeller, inbäddningsvillkor, byggdiagram och logging

Denna kurs börjar med att ge dig konceptuell kunskap i neurala nätverk och generellt i maskininlärningsalgoritm, djupinlärning (algoritmer och applikationer).

Del-1 (40%) av denna utbildning är mer fokus på grundläggande, men hjälper dig att välja rätt teknik: TensorFlow , Caffe , Theano, DeepDrive, Keras , etc.

Del-2 (20%) av denna utbildning introducerar Theano - ett pythonbibliotek som gör det enkelt att skriva djupa inlärningsmodeller.

Del-3 (40%) av utbildningen skulle i stor utsträckning baseras på Tensorflow - 2nd Generation API of Go ogles open source software bibliotek för Deep Learning . Exemplen och handson skulle alla göras i TensorFlow .

Publik

Kursen är avsedd för ingenjörer som vill använda TensorFlow för sina Deep Learning projekt

Efter avslutad kurs kommer delegaterna att:

• ha god förståelse för djupa neurala nätverk (DNN), CNN och RNN

• förstå TensorFlow struktur och distributionsmekanismer

• kunna utföra installations / produktionsmiljö / arkitekturuppgifter och konfiguration

• kunna bedöma kodkvalitet, utföra felsökning, övervakning

• kunna implementera avancerad produktion som träningsmodeller, bygga grafer och logga